Matplotlib 是建立在 NumPy 基础之上的 Python 绘图库，是在机器学习中用于数据可视化的工具。
我们在前面的文章讲过NumPy的用法，这里我们就不展开讨论 NumPy 的相关知识了。
Matplotlib 具有很强的工具属性，也就是说它只是为我所用的，我们不必花太多的精力去精进它。我们只需要知道它可以做那些事，可以绘制哪些图形，有一个印象就足够了。我们在实际使用中用什么拿什么，我们用到了自然就熟练了，用不到的功能也就说明它对你没什么用。
这就是按需学习(Learn on Demand) 。这点我在《如何成为十倍速程序员》里提到过类似的理念。
一、Matplotlib 常见用法
1. 绘制简单图像
我们以机器学习中最常见的激活函数sigmoid举例，我们来绘制它。
import matplotlib.pyplot as pltimport numpy as npx = np.linspace(-10,10,1000)y = 1 / (1 + np.exp(-x))plt.plot(x,y)plt.show()
复制代码
其中 sigmoid 的公式为： $y = f(x) =\frac{1}{1+e^{-x}}$
plot()方法展示变量间的趋势，show()方法展示图像。
我们得到如图所示图像：
2. 添加常用元素
我们添加一些参考元素，各函数的解释我在代码中进行了详细的标注。
x = np.linspace(-10,10,1000)
#写入公式y = 1 / (1 + np.exp(-x))
#x轴范围限制plt.xlim(-5,5)
#y轴范围限制plt.ylim(-0.2,1.2)
#x轴添加标签plt.xlabel("X axis")
#y轴添加标签plt.ylabel("Y axis")
#标题plt.title("sigmoid function")
#设置网格，途中红色虚线plt.grid(linestyle=":", color ="red")
#设置水平参考线plt.axhline(y=0.5, color="green", linestyle="--", linewidth=2)
#设置垂直参考线plt.axvline(x=0.0, color="green", linestyle="--", linewidth=2)
#绘制曲线plt.plot(x,y)
#保存图像plt.savefig("./sigmoid.png",format='png', dpi=300)
复制代码
以上代码包含了限制 X、Y 轴范围，添加标题和标签，设置网格，添加参考线，保存图像等内容。
绘制图像如下：
3. 绘制多曲线
#生成均匀分布的1000个数值x = np.linspace(-10,10,1000)
#写入sigmoid公式y = 1 / (1 + np.exp(-x))z = x**2plt.xlim(-2,2)plt.ylim(0,1)
#绘制sigmoidplt.plot(x,y,color='#E0BF1D',linestyle='-', label ="sigmoid")
#绘制y=x*xplt.plot(x,z,color='purple',linestyle='-.', label = "y=x*x")
#绘制legend，即下图角落的图例plt.legend(loc="upper left")
#展示plt.show()
复制代码
绘制多图像直接调用多个 plot()即可。注意：如果不调用 legend()方法，不会绘制左上角的 legend（图例）。其中color参数支持 hex 表示。)
4. 认识 figure(画布)
首先我们认识 figure(画布)，比如 legend 我们在上文中提到过，是线条标签的展示。grid 所圈住的虚线是网格参考线。Title/x axislabel 等文本标签。
这张图有助于我们对 figure 有一个值观的理解。
5. 绘制多图像
一个 figure 是可以对应多个 plot 的，现在我们试着在一个 figure 上绘制多图像。
x = np.linspace(-2*np.pi, 2*np.pi, 400)y = np.sin(x**2)z = 1 / (1 + np.exp(-x))a = np.random.randint(0,100,400)b = np.maximum(x,0.1*x)
#创建两行两列的子图像fig, ax_list = plt.subplots(nrows=2, ncols=2)
# 'r-'其中r表示color=red，-表示linestyle='-'ax_list[0][0].plot(x,y,'r-')ax_list[0][0].title.set_text('sin')
ax_list[0][1].scatter(x,a,s=1)ax_list[0][1].title.set_text('scatter')
ax_list[1][0].plot(x,b,'b-.')ax_list[1][0].title.set_text('leaky relu')
ax_list[1][1].plot(x,z,'g')ax_list[1][1].title.set_text('sigmoid')
#调整子图像的布局fig.subplots_adjust(wspace=0.9,hspace=0.5)fig.suptitle("Figure graphs",fontsize=16)
复制代码
其中，最关键的是subplots方法，生成 2 行 2 列的子图像，然后我们调用 ax_list 中的各绘图方法。
其中'r-'，'b-.'参数为绘图的缩写写法，本文后续参数缩写段落会单独讲解。
6. 绘制常用图
我们常用图来表示数据之间的关系，常见的图包括直方图、柱状图、饼图、散点图等等。
#使绘图支持中文plt.rcParams['font.sans-serif']=['Microsoft YaHei']#创建两行两列的子图像fig, [[ax1,ax2],[ax3,ax4],[ax5,ax6]] = plt.subplots(nrows=3, ncols=2,figsize=(8,8))
#绘制柱状图barvalue = (2, 3, 4, 1, 2)index = np.arange(5)ax1.bar(index, value,alpha=0.4, color='b')ax1.set_xlabel('Group')ax1.set_ylabel('Scores')ax1.set_title('柱状图')
#绘制直方图histogramh = 100 + 15 * np.random.randn(437)ax2.hist(h, bins=50)ax2.title.set_text('直方图')
#绘制饼图pielabels = 'Frogs', 'Cai', 'Yongji', 'Logs'sizes = [15, 30, 45, 10]explode = (0, 0.1, 0, 0)ax3.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)ax3.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.ax3.title.set_text('饼图')
#绘制棉棒图stemx = np.linspace(0.5, 2*np.pi, 20)y = np.random.randn(20)ax4.stem(x,y, linefmt="-.", markerfmt="o", basefmt='-')ax4.set_title("棉棒图")
#绘制气泡图scattera = np.random.randn(100)b = np.random.randn(100)ax5.scatter(a, b, s=np.power(2*a+4*b,2), c=np.random.rand(100), cmap=plt.cm.RdYlBu, marker="o")
#绘制极线图polarfig.delaxes(ax6)
ax6 = fig.add_subplot(236, projection='polar')#ax6 = fig.add_subplot(2,3,6, projection='polar')#2行，3列，第6个图r = np.arange(0, 2, 0.01)theta = 2 * np.pi * rax6.plot(theta, r)ax6.set_rmax(2)ax6.set_rticks([0.5, 1, 1.5, 2]) # Less radial ticksax6.set_rlabel_position(-22.5) # Move radial labels away from plotted lineax6.grid(True)
#调整子图像的布局fig.subplots_adjust(wspace=1,hspace=1.2)fig.suptitle("图形绘制",fontsize=16)
复制代码
绘制图像如下：
7. 参数简写
因为 matplotlib 支持参数的缩写，所以我认为有必要单独拿出来讲一讲各参数缩写的表示。
x = np.linspace(-10,10,20)y = 1 / (1 + np.exp(-x))plt.plot(x,y,c='k',ls='-',lw=5, label ="sigmoid", marker="o", ms=15, mfc='r')plt.legend()
复制代码
绘制图像如下：
7.1 c 代表 color(颜色)
| 字符 | 颜色 |
|:----|----:|
|‘b’|blue |
|‘g’|green |
|‘r’|red |
|‘c’|cyan |
|‘m’|magenta |
|‘y’|yellow |
|‘k’|black |
|‘w’|white |
7.2 ls 代表 linestyle(线条样式)
| 字符 | 描述 |
|:----|----:|
|'-' | solid line style |
|'--' | dashed line style |
|'-.' | dash-dot line style |
|':' | dotted line style |
|'.' | point marker |
|',' | pixel marker |
|'o' | circle marker |
|'v' | triangle_down marker |
|'^' | triangle_up marker |
|'<' | triangle_left marker |
|'>' | triangle_right marker |
|'1' | tri_down marker |
|'2' | tri_up marker |
|'3' | tri_left marker |
|'4' | tri_right marker |
|'s' | square marker |
|'p' | pentagon marker |
|'\*' | star marker |
|'h' | hexagon1 marker |
|'H' | hexagon2 marker |
|'+' | plus marker |
|'x' | x marker |
|'D' | diamond marker |
|'d' | thin_diamond marker |
|'\|' | vline marker |
|'\_' | hline marker |
7.3 marker(记号样式)
记号样式展示如下：
7.4 其他缩写
lw代表 linewidth(线条宽度)，如：lw=2.5
ms代表 markersize（记号尺寸），如：ms=5
mfc代表 markerfacecolor（记号颜色），如：mfc='red'
二、Matplotlib 进阶用法
1. 添加文本注释
我们可以在画布(figure)上添加文本、箭头等标注，来让图像表述更清晰准确。
我们通过调用annotate方法来绘制注释。
fig, ax = plt.subplots(figsize=(8, 8))
t = np.arange(0.0, 5.0, 0.01)s = np.cos(2*np.pi*t)
# 绘制一条曲线line, = ax.plot(t, s)
#添加注释ax.annotate('figure pixels', xy=(10, 10), xycoords='figure pixels')ax.annotate('figure points', xy=(80, 80), xycoords='figure points')ax.annotate('figure fraction', xy=(.025, .975), xycoords='figure fraction', horizontalalignment='left', verticalalignment='top', fontsize=20)
#第一个箭头ax.annotate('point offset from data', xy=(2, 1), xycoords='data', xytext=(-15, 25), textcoords='offset points', arrowprops=dict(facecolor='black', shrink=0.05), horizontalalignment='right', verticalalignment='bottom')
#第二个箭头ax.annotate('axes fraction', xy=(3, 1), xycoords='data', xytext=(0.8, 0.95), textcoords='axes fraction', arrowprops=dict(facecolor='black', shrink=0.05), horizontalalignment='right', verticalalignment='top')
ax.set(xlim=(-1, 5), ylim=(-3, 5))
复制代码
绘制图像如下：
2. 绘制 3D 图像
绘制 3D 图像需要导入Axes3D库。
from mpl_toolkits.mplot3d import Axes3Dimport matplotlib.pyplot as pltfrom matplotlib import cmfrom matplotlib.ticker import LinearLocator, FormatStrFormatterimport numpy as np
fig = plt.figure(figsize=(15,15))ax = fig.gca(projection='3d')
# Make data.X = np.arange(-5, 5, 0.25)Y = np.arange(-5, 5, 0.25)X, Y = np.meshgrid(X, Y)R = np.sqrt(X**2 + Y**2)Z = np.sin(R)
# Plot the surface.surf = ax.plot_surface(X, Y, Z, cmap=cm.coolwarm, linewidth=0, antialiased=False)
# Customize the z axis.ax.set_zlim(-1.01, 1.01)ax.zaxis.set_major_locator(LinearLocator(10))ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
# Add a color bar which maps values to colors.fig.colorbar(surf, shrink=0.5, aspect=5)
复制代码
其中cmap意为 colormap，用来绘制颜色分布、渐变色等。cmap通常配合colorbar使用，来绘制图像的颜色栏。
3. 导入图像（加州房价）
引入mpimg库，来导入图像。
我们以美国加州房价数据为例，导入加州房价数据绘制散点图，同时导入加州地图图片，查看地图经纬度对应房价的数据。同时使用颜色栏，绘制热度图像。
代码如下：
import osimport urllibimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.image as mpimg
#加州房价数据(大家不用在意域名)housing = pd.read_csv("http://blog.caiyongji.com/assets/housing.csv")#加州地图url = "http://blog.caiyongji.com/assets/california.png"urllib.request.urlretrieve("http://blog.caiyongji.com/assets/california.png", os.path.join("./", "california.png"))california_img=mpimg.imread(os.path.join("./", "california.png"))
#根据经纬度绘制房价散点图ax = housing.plot(kind="scatter", x="longitude", y="latitude", figsize=(10,7), s=housing['population']/100, label="Population", c="median_house_value", cmap=plt.get_cmap("jet"), colorbar=False, alpha=0.4, )plt.imshow(california_img, extent=[-124.55, -113.80, 32.45, 42.05], alpha=0.5, cmap=plt.get_cmap("jet"))plt.ylabel("Latitude", fontsize=14)plt.xlabel("Longitude", fontsize=14)
prices = housing["median_house_value"]tick_values = np.linspace(prices.min(), prices.max(), 11)
#颜色栏，热度地图cbar = plt.colorbar(ticks=tick_values/prices.max())cbar.ax.set_yticklabels(["$%dk"%(round(v/1000)) for v in tick_values], fontsize=14)cbar.set_label('Median House Value', fontsize=16)vplt.legend(fontsize=16)
复制代码
绘制图像如下：
红色昂贵，蓝色便宜，圆圈大小表示人口多少
4. 绘制等高线
等高线对于在二维空间内绘制三维图像很有用。
def f(x, y): return np.sin(x) ** 10 + np.cos(10 + y * x) * np.cos(x)
x = np.linspace(0, 5, 50)y = np.linspace(0, 5, 40)
X, Y = np.meshgrid(x, y)Z = f(X, Y)plt.contourf(X, Y, Z, 20, cmap='RdGy')plt.colorbar()
复制代码
绘制图像如下：
黑色地方是峰，红色地方是谷。
绘制动画
绘制动画需要引入animation库，通过调用FuncAnimation方法来实现绘制动画。
import numpy as npfrom matplotlib import pyplot as pltfrom matplotlib import animation
fig = plt.figure()ax = plt.axes(xlim=(0, 2), ylim=(-2, 2))line, = ax.plot([], [], lw=2)
# 初始化方法def init(): line.set_data([], []) return line,
# 数据更新方法，周期性调用def animate(i): x = np.linspace(0, 2, 1000) y = np.sin(2 * np.pi * (x - 0.01 * i)) line.set_data(x, y) return line,
#绘制动画，frames帧数，interval周期行调用animate方法anim = animation.FuncAnimation(fig, animate, init_func=init, frames=200, interval=20, blit=True)anim.save('ccccc.gif', fps=30)
plt.show()
复制代码
上述代码中anim.save()方法支持保存 mp4 格式文件。
绘制动图如下：
结语
到此，前置机器学习系列就结束了，我们已经为上手机器学习做足了准备。查看完整《前置机器学习系列》请关注公众号【caiyongji】或访问我的个人博客[blog.caiyongji.com](http://blog.caiyongji.com/)同步更新。
大家可能发现了，我的教程中偏向实践的方向更多。接下来的机器学习系列教程也会更多的偏向于实际使用，而非理论方向。
对数学畏惧的同学不要慌，跟着我慢慢学就好。
评论